System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机和无线通信领域,具体而言,涉及一种基于深度学习模型的物理层密钥生成方案。
技术介绍
1、随着无线通信技术的飞速发展,越来越多的可移动设备将被接入无线系统中。为了应对安全传输大量数据的挑战,需要足够可靠的信息安全传输机制。由于无线信道具备广播性和开放性,如何保证无线通信的安全一直是被研究的议题。
技术实现思路
1、本有鉴于此,本专利技术实施例的目的在于提供一种基于深度学习模型的物理层密钥生成方案。
2、本专利技术实施例提供的一种基于深度学习模型的物理层密钥生成方案,所述深度学习模型的物理层密钥生成方案包括:
3、fdd系统的csi估算受到上行链路与下行链路的频率影响,为了更准确地模拟这种差异,必须在每条链路进行相应的csi估计。为实现此目标,通信双方alice和bob在不同频率链路上同步发送特定的先导信号。在同一时间内,双方分别对这些信号进行测量以估计csi;
4、为了构建信道互易特征,首先对alice在信道测量阶段获取的信道系数向量进行预处理,包括实部虚部信息的分解重构,以及对数据的归一化。然后使用经过预处理的信道系数向量作为输入,通过cfmnet进行特征映射;
5、在物理层密钥生成方案中,信道特征是基于无线信道的特性生成的,这些特征在alice和bob之间是唯一的且无法被攻击者轻易获取。本专利采用了基于等概量化和高斯分布的ofdm系统保护带量化算法来处理信道特征。等概量化是一种把连续值信号量化为离散值信号的方法,
6、为了进一步降低ker,采用基于可变长度bch码的信息协商方案。量化后的初始密钥长度为一定值,该长度会随着量化区间取值的不同而改变,可变长度bch码允许在不同长度的密钥中实现有效的纠错能力。
7、为使本专利技术的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
本文档来自技高网...【技术保护点】
1.本专利在FDD MIMO系统中引入IRS构建反射信道以辅助通信,然后通过深度学习模型学习信道特征映射函数以构建信道互易特征,最后提出了基于深度学习的PLKG方案,其特征在于,主要过程如下:
2.如权利要求1所述的基于深度学习模型的PLKG方案,其特征在于,首先引入IRS进行辅助通信;其中,面向FDD MIMO非理想无线通信系统,引入了IRS辅助通信,在不同频的上下行链路间获取CSI数据。
3.如权利要求2所述的基于深度学习模型由IRS辅助的数据处理方法,其特征在于,所述通信模型函数通过以下方式实现:
4.如权利要求1所述的基于深度学习模型的PLKG方案,其特征在于,所述模型包括FDD信道通信模型,所述信道函数为:
5.如权利要求1所述的基于深度学习模型的PLKG方案,其特征在于,所述建模过程还包括构建信道映射函数,所述信道映射函数包含一些前提,表达式如下:
6.如权利要求1所述的基于深度学习模型的PLKG方案,其特征在于,所述方法还包括构建深度学习模型:
7.一种基于深度学习的互易特征构建模型,其特征在于
8.如权利要求7所述的深度学习模型,其特征在于,通过基于GRU的RNN模型学习FDDMIMO系统中不同频带间的信道特征映射函数,在训练阶段,数据集被用作完整的训练数据集,在每一个时间步长,从中随机选取V个训练样本,CFMNet的训练目标是最小化模型输出y和对应标签真实值x之间的误差,CFMNet采用ADAM作为优化器,并且使用MSE作为损失函数,具体表达式如下:
9.如权利要求1所述的基于深度学习模型的PLKG方案,其特征在于,PLKG方案通过以下方式实现:
10.如权利要求9所述的方案流程,其特征在于,所述不同模块实现不同的功能,具体如下:
...【技术特征摘要】
1.本专利在fdd mimo系统中引入irs构建反射信道以辅助通信,然后通过深度学习模型学习信道特征映射函数以构建信道互易特征,最后提出了基于深度学习的plkg方案,其特征在于,主要过程如下:
2.如权利要求1所述的基于深度学习模型的plkg方案,其特征在于,首先引入irs进行辅助通信;其中,面向fdd mimo非理想无线通信系统,引入了irs辅助通信,在不同频的上下行链路间获取csi数据。
3.如权利要求2所述的基于深度学习模型由irs辅助的数据处理方法,其特征在于,所述通信模型函数通过以下方式实现:
4.如权利要求1所述的基于深度学习模型的plkg方案,其特征在于,所述模型包括fdd信道通信模型,所述信道函数为:
5.如权利要求1所述的基于深度学习模型的plkg方案,其特征在于,所述建模过程还包括构建信道映射函数,所述信道映射函数包含一些前提,表达式如下:
6.如权利要求1所述的基于深度学习模型的plkg方案,其特征在于,所述方法还包括构建深度学习模型:
7.一种基于深度学习的互易特征构建模型,其特征在于,一个循环神经网络模型cfmnet,该模型学习fd...
【专利技术属性】
技术研发人员:殷丰铭,陈彦如,刘圣杰,胡顺仿,张涵阳,刘诗佳,李川,陈良银,
申请(专利权)人:四川大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。